Publicação: Sistema de classificação de movimentos de higienização das mãos por meio de sensores inerciais e inteligência artificial
Carregando...
Arquivos
Data
2024-10-30
Autores
Orientador
Santos, Wilian Miranda dos 
Coorientador
Nogueira, Samuel Lourenço
Pós-graduação
Engenharia Elétrica - FESJBV/ICTS
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Dissertação de mestrado
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
Durante a pandemia de COVID-19, evidenciou-se a importância da higienização adequada das mãos como uma medida preventiva para conter a propagação do vírus. Essa prática desempenha um papel fundamental na prevenção de Infecções Relacionadas à Assistência à Saúde (IRAS). Estima-se que a adesão correta a essa técnica poderia prevenir até 30% dos casos de IRAS, conforme indicado pelo Departamento de Saúde e Serviços Humanos dos Estados Unidos em 2015. Estudos demonstraram que a aplicação correta de técnicas de higienização das mãos, como os métodos de seis e três passos recomendados pela Organização Mundial da Saúde (OMS), pode eliminar até 99,9% da colonização transitória das mãos de profissionais de saúde. Nesse contexto, foi desenvolvido neste trabalho um algoritmo para a classificação de movimentos de higienização das mãos por meio de sensores inerciais (acelerômetros e giroscópios) e técnica de inteligência artificial. O processo metodológico foi dividido em cinco etapas principais: coleta de dados, pré-processamento, segmentação, extração de características e classificação. A coleta de dados foi realizada em parceria com o Departamento de Enfermagem da Universidade Federal de Mato Grosso (UFMT), utilizando uma Unidade de Medição Inercial (IMU) fixada no punho direito dos participantes para capturar os movimentos durante a higienização das mãos. Durante o pré-processamento, os sinais foram filtrados para remover ruídos, utilizando técnicas como o filtro Butterworth de quinta ordem. Além disso, foi realizada a aumentação de dados, com o objetivo de equilibrar a quantidade de amostras em cada classe e melhorar a robustez do modelo. Técnicas como rotações aleatórias foram aplicadas para gerar novas amostras sintéticas. Na fase de segmentação, os dados contínuos foram divididos em janelas de tempo, e foram extraídas características tanto no domínio do tempo, como a raiz quadrada média (RMS), quanto no domínio da frequência, como a energia total das wavelets. Essas características alimentaram a fase de classificação, realizada por meio de uma Rede Neural Artificial (RNA). Os resultados obtidos demonstraram uma acurácia de 89,3% para os dados de teste, indicando a viabilidade do modelo para a correta identificação dos movimentos de higienização das mãos.
Resumo (inglês)
During the COVID-19 pandemic, the importance of proper hand hygiene was highlighted as a preventive measure to contain the spread of the virus. This practice plays a fundamental role in preventing Healthcare-Associated Infections (HAIs). It is estimated that proper adherence to this technique could prevent up to 30% of HAI cases, as indicated by the U.S. Department of Health and Human Services in 2015. Studies have shown that the correct application of hand hygiene techniques, such as the six-step and three-step methods recommended by the World Health Organization (WHO), can eliminate up to 99.9% of transient hand colonization in healthcare professionals. In this context, this study developed an algorithm for classifying hand hygiene movements using inertial sensors (accelerometers and gyroscopes) and an artificial intelligence technique. The methodological process was divided into five main stages: data collection, pre-processing, segmentation, feature extraction, and classification. Data collection was conducted in partnership with the Nursing Department at the Federal University of Mato Grosso (UFMT), using an Inertial Measurement Unit (IMU) attached to the participants’ right wrist to capture hand hygiene movements. During pre-processing, signals were filtered to remove noise, using techniques such as a fifth-order Butterworth filter. Additionally, data augmentation was performed to balance the number of samples in each class and improve the robustness of the model. Techniques such as random rotations were applied to generate new synthetic samples. In the segmentation phase, continuous data were divided into time windows, and features were extracted both in the time domain, such as Root Mean Square (RMS), and in the frequency domain, such as total wavelet energy. These features fed the classification phase, which was carried out using an Artificial Neural Network (ANN). The results showed an accuracy of 89.3% for the test data, indicating the viability of the model for the correct identification of hand hygiene movements.
Descrição
Idioma
Português
Como citar
GARCIA, H. A. Sistema de classificação de movimentos de higienização das mãos por meio de sensores inerciais e inteligência artificial. 2025. Dissertação (Mestrado em Engenharia Elétrica) — Faculdade de Engenharia, Universidade Estadual Paulista "Júlio de Mesquita Filho", São João da Boa Vista, 2024.
